Domain Adaption3
3.Discriminative Feature Alignment: Improving Transferability of Unsupervised Domain Adaptation by Gaussian-guided Latent Alignment
github: Discriminative-Feature-Alignment
先前的工作已尝试通过 classifier-induced discrepancies直接对齐潜在特征。 但是,通常无法通过这种直接特征对齐的方式来学习公共特征空间,特别是当存在较大的域gap时。 为了解决这个问题,我们引入了一种Gaussian-guided latent alignment方法(即DFA,Discriminative Feature Alignment),以在高斯先验分布的指导下对齐两个域的潜在特征分布。 以这种间接的方式,来自两个域的样本上的分布将被构建在公共的特征空间(即高斯先验的latent空间)上,这促进了更好的特征对齐。 为了有效地使目标域的latent分布与prior distribution对齐,我们还利用编码器-解码器的架构,并提出了一种unpaired L1-distance。
DFA方法概览
现有的UDA算法仅考虑 classifier-induced discrepancies来缓解domain shifts。对抗性和非对抗性的UDA方法的主要思想是——同时最小化源域分类误差和classifier-induced源域与目标域之间的差异,隐式地将完成两个域潜在特征空间的对齐。然而仅以这种方式进行的领域自适应无法有效地学习公共特征空间。
因此,我们提出了discriminative feature alignment (DFA),在高斯先验的指导下对齐源域数据和目标数据的discriminative的latent特征分布。 具体地,特征提取器G将input samples编码到latent特征空间中;解码器D将一个latent feature vector或一个Gaussian random vector解码回图像。 来自源域和目标域的样本共享编码器(G)和解码器(D)的参数。 可以将D视为正则化的一种形式。 我们利用KL散度来鼓励源域样本的latent分布接近于高斯先验。(Lkld)
如果与源域类似,鼓励目标样本的latent分布接近高斯分布,从而实现两个域的分布对齐,这样做实际的效果不佳。所以本文通过减小解码器重构的(source、target)样本之间的unpaired L1-distance,以实现两个域的分布对齐,即使D(G(xs))和D(G(xt)之间的距离最小。本文将这种分布对齐方式称为distribution alignment loss。 我们进一步发现将D(G(xt))与D(zn)的距离最小化的效果更好。(Ldal)
损失函数
①
②
③(Lcls)可以确保在先验latent特征空间上学习到源域的discriminative的特征。
④
⑤将DFA应用到MCD方法中
小王爱迁移系列之二十一:最大分类器差异的领域自适应(MCD_DA)
Domain Adaption3相关推荐
- Apache启动时报Could not reliably determine the server's fully qualified domain name
在系统启动时apache,没有启动起来,查看"事件查看器"发现报一些错误: The Apache service named reported the following err ...
- 通过document.domain实现跨域访问
通过document.domain实现跨域访问:https://blog.csdn.net/nlznlz/article/details/79506655 前端跨域方法之document.domain ...
- JBoss 系列十六:JBoss7/WildFly配置domain模式
2019独角兽企业重金招聘Python工程师标准>>> 内容概要 JBoss7/WildFly有两种模式可供选择,即standalone和dimain模式,详细请参照社区文档(链接) ...
- java domain层_java框架中的controller层、dao层、domain层、service层、view层
1.Controller层:接口层,用户访问请求时对接. Controller层负责具体的业务模块流程的控制,在此层里面要调用Serice层的接口来控制业务流程,控制的配置也同样是在Spring的配置 ...
- 关于ajax跨域请求(cross Domain)
Cross Domain AJAX主要就是A.com网站的页面发出一个XMLHttpRequest,这个Request的url是B.com,这样的请求是被禁止的,浏览器处于安全考虑不允许进行跨域访问, ...
- mysql> select file,domain,alias,valid from tbl_check where file=‘ecloud_0824-0830.csv‘ into outfile
mysql> select file,domain,alias,valid from tbl_check where file='ecloud_0824-0830.csv' into outfi ...
- 一篇综述带你全面了解迁移学习的领域泛化(Domain Generalization)
领域泛化 (Domain Generalization, DG) 是近几年非常热门的一个研究方向.它研究的问题是从若干个具有不同数据分布的数据集(领域)中学习一个泛化能力强的模型,以便在 未知 (Un ...
- 迁移学习——Domain Adaptation
Domain Adaptation 在经典的机器学习问题中,我们往往假设训练集和测试集分布一致,在训练集上训练模型,在测试集上测试.然而在实际问题中,测试场景往往非可控,测试集和训练集分布有很大差异, ...
- 近期必读的9篇CVPR 2019【域自适应(Domain Adaptation)】相关论文和代码
[导读]最近小编推出CVPR2019图卷积网络.CVPR2019生成对抗网络.[可解释性],CVPR视觉目标跟踪,CVPR视觉问答,医学图像分割,图神经网络的推荐相关论文,反响热烈.最近,Domain ...
最新文章
- 在React Hook里使用history.push跳转
- “北京今年入冬的第一场雪”,纪念博客园写日志一年了
- 零基础学java培训怎么选择学校
- 太强了,Python 开发桌面小工具,让代码替我们干重复的工作~
- 无人驾驶汽车系统入门:基于VoxelNet的激光雷达点云车辆检测及ROS实现
- Ubuntu 18.04缺少libgconf-2.so.4
- 业界干货 | 图解自监督学习,从入门到专家必读的九篇论文
- 网编编程必看书籍:unix网络编程
- IPV4与IPV6的区别(史上最详细)
- java集合了类面试题_一些集合类面试题,说不定你就会遇到
- java 委托 代理 区别_区分委托,组合和聚合(Java OOdevise)
- VM虚拟机占内存非常大
- 写全武汉的火锅店..更新版 恩..欢迎补充 ^_^
- 【硬见小百科】SMT工艺,是什么影响锡膏印刷的质量
- 帧同步,帧同步是什么意思
- 小学语文三年级阅读理解专项练习附答案~水上飞机
- Android动画+自定义Dialog实现闲鱼发布页面动态效果
- NAACL 2022 | 具有元重加权的鲁棒自增强命名实体识别技术
- 论文解读:6mA-Pred: identifying DNA N6-methyladenine sites based on deep learning
- UVA-12627(考眼力~)
热门文章
- 微信公众号开发之jfinal wxin
- 中国队夺金幕后的「AI手语翻译官」:初次上岗,手语可懂度超90%
- 软件缺陷定位☞西门子数据集介绍
- AFM(弹性模量)—文献专项阅读
- 给kvm虚机开放对外访问的端口
- RNNoise超详细解析
- Linux那些事儿之我是U盘(4)想到达明天,现在就要启程
- android中如何打开指定卡上的数据连接开关,Android 代码控制手机数据网络的开关(5.0以上)...
- win10创意者更新是什么 Win10创意者更新升级方法
- 安装分区助手,总是显示“分区助手已安装到你的电脑中,怎么办